基于局部离群点检测算法的电力通信网络拥塞安全控制方法

针对电网运行数据堵塞程度较高,传输安全性较差的问题,提出了基于局部离群点检测算法的电力通信网络拥塞安全控制方法。通过电力通信网络的通道模型与路由监测协定,凭借波特间隔均衡法优化节点布局,结合自适应偏差补充调整反馈,均衡通道。针对储存空间、带宽容量、CPU处置功能等主要拥塞因素,分析数据密度估计值,并在带宽函数中加入邻域平均距离得到局部密度,推导出数据的局部离群点,通过调节离群点大小断定和控制电力通信网络。实验证明,所提方法能够精准检测出电力通信网络是否拥塞,及时调节通信数据,降低堵塞程度,保证信息可以安全传输。

统计监控建模数据预处理离群点检测算法

针对基于多向主元分析(Multi-way Principal Component Analysis,MPCA)(包括主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点影响的不足,通过对各种不同尺度的中心化和标准化方法及鲁棒离群点检测算法的对比研究,提出了一种基于改进尺度的中心最短距离/椭球多变量整理(Closest Distance to Center/ellipsoidal Multivariate Trimming,CDC/MVT)的建模数据离群点去除算法。该算法首先利用改进尺度得到离线建模正常数据的均值和标准差,并对数据进行中心化和标准化处理;然后利用CDC算法找出建模历史数据中最一致的一半正常点;最后用这最一致的一半正常点初始化MVT的马氏距离的均值和协方差,并通过迭代计算得到其他的正常点。将该算法应用于β-甘露聚糖酶发酵间歇过程离群点的去除,与其他鲁棒离群点检测算法相比,应用结果表明该算法能有效地去除建模数据中的离群点。

学生行为数据与学业成绩的关系研究——基于离群点检测算法

以S高校的校园一卡通数据为基础,通过对数据进行预处理并构建预测指标体系,使用基于聚类的离群点检测算法从多个角度对学生校园行为数据进行挖掘,并对学生行为与学业成绩的相关性进行分析.结果表明,每天用餐是否规律、进入图书馆的次数、借阅图书的次数、吃早饭次数之和与学业成绩具有强相关性.基于决策树算法构建了学业成绩预测模型,实现了对学生学业成绩预警.建议教学部门或教育管理者除了关注学生上课情况和学科成绩外,还应积极引导学生养成健康、规律、热爱阅读的生活方式.

一种基于离群点检测的定位算法

DV-Hop算法在无线传感器网络节点分布不均匀时定位误差较大。针对上述问题,利用离群点检测算法提高计算未知节点坐标的精度。在采用多边测量算法估计未知节点的坐标位置时用离群点检测算法LOF对未知节点的估计坐标进行分析和筛选,最终确定未知节点位置。仿真实验表明,该方法能提高节点的定位精度,减小定位误差。

基于离群点检测算法的无线网络动态数据完整性检测方法

无线网络动态数据完整性呈非线性分布,数据结构较为复杂,完整性检测效果较差。为此,设计基于离群点检测算法的无线网络动态数据完整性检测方法。设计离群点检测算法动态数据生成层的数据组结构,据此得到机器计量数据学习离群点,根据数据学习离群点位置,计算动态数据完整性检测指标。构建动态数据完整性检测算法,完成无线网络动态数据完整性检测。实验结果表明,所提出方法的动态数据检定信号置换率最高为50.0%。证明该方法完整性检测效果更好。

社群演化的稳健迁移估计及演化离群点检测

时序数据集中的社群演化模式是网络行为动力学研究与应用的重要领域.基于社群演化的离群点检测不仅能够发现新颖的异常行为模式,同时也有利于更准确地理解社群的演化趋势.运用成员关于社群隶属关系的变化,提出了社群演化迁移矩阵的概念,研究并揭示了迁移矩阵的若干性质及其与社群结构演化之间的关系.在采用稳健回归M-估计方法进一步优化迁移矩阵降低异常点干扰的同时,对社群演化离群点加以刻画和定义.鉴于复杂网络包含大量随机游走的边缘个体,所定义的离群点综合考虑其在社群中角色的变化和相对于社群总体迁移模式的差异.基于上述思想提出的演化离群点检测算法能够适应各类社群演化趋势,更有效地聚焦和发现大规模社会网络中重要成员的异常演化行为.实验结果表明,所提出的方法能够从大规模社会网络演化序列中发现重要的离群演化模式,并在现实中找到合理的解释.

一种基于离群点的聚类迭代检测算法

大多数数据挖掘算法都可以对数据进行相对准确的分类,然而他们都集中于单独地使用聚类的方法。所以对于离群点存在的数据集,常常不能得出准确的结果。而COID算法(Cluster-outlier Iterative detection)把簇和离群点巧妙地结合起来,通过它们之间的关系来检测离群点并进行合理聚类。为进一步提高该算法的实用性,现利用prim算法确定初始簇中心,从而降低了迭代次数,实验证明改进后的算法具有更好的可行性、有效性和准确性,适合于高维数据中对于聚类检测的要求。

基于矢量量化码书的离群点检测方法

利用矢量量化码书作为数据分类模式最优代表集的特点,提出基于码书的离群点概念,论证了其与经典统计学关于离群点定义的内在联系。在基于学习的矢量量化码书生成算法和最近邻码字搜索算法基础上构造了离群点检测算法。实验结果表明了提出的关于离群点定义的合理性和算法的有效性。

基于空间相邻关系的GML点对象聚类算法研究

目前的聚类算法针对关系数据库而没有考虑空间相邻关系的相似度问题,因而提出对GML点对象离群检测算法进行改进,从而应用于GML聚类。改进的算法以空间相邻关系为度量准则得到相似性矩阵,从而对GML中的点对象聚类。试验结果表明:改进的算法能实现GML点对象基于空间相邻关系的聚类,具有较高的效率。

基于用电特征分析的异常用电检测方法

针对目前异常用电检测中存在的专变用户窃电率高、窃电模式难以察觉、使用窃电检测模型查找窃电用户过程中训练集不足的问题,提出了一种基于用电特征分析的无监督方式异常用电检测方法.该检测方法引入离群点查找算法,量化了海量数据中不同异常用电行为,将其提取为异常用电特征序列,并且根据专变用户不同计量方式和用电特点,构建了基于局部离群因子(local outlier factor,LOF)检测算法的用电不平衡特征序列,定义了考虑失压持续时间的电压异常特征序列和基于每日电流曲线聚类结果的电流异常特征序列,设计了异常用电评价流程,提出异常用电检测方法.通过实例验证了此检测方法能够完全甄别存在异常用电行为的用户,且检测方法对窃电时刻预测结果较为准确,其查准率和召回率的调和均值F1值为0.81.该方法能为企业提供异常行为发生的时间段,为窃电行为的及时调查提供有力的依据.

基于校园一卡通数据的贫困学生消费异常数据检测分析

高校一卡通系统是数字化校园建设的重要组成部分,具有信息服务、身份识别、金融服务、消费等主要功能。利用一卡通系统采集在校生的基础数据,通过数据挖掘技术,进行贫困生辅助认定分析,为学校的奖惩助贷管理和决策提供数据基础。首先通过数据预处理技术提取相关特征;其次利用经验样本进行正态分布验证;最后针对候选贫困生样本采用基于正态分布的一元离群点检测算法进行异常点检测,检测所得异常结果用于学校学生工作人员在对贫困生最终认定时做辅助参考。

基于加权改进模糊C均值聚类的欠定混合矩阵估计

语音欠定混合矩阵估计问题中,针对模糊C均值聚类(FCM)算法对初始聚类中心敏感、易受噪声点干扰、鲁棒性差的缺陷,提出一种基于加权的进化规划与FCM相结合的改进算法(WE-FCM)。首先,利用进化规划(EP)算法强大的搜索能力优化FCM得到基于进化规划的FCM算法(EP-FCM),以获得较佳的初始聚类中心;然后,利用局部离群点检测(LOF)算法对EP-FCM加权以降低噪声点的影响。通过仿真实验得出,所提算法在源信号数为3路和4路时归一化均方误差值与偏离角度值均远小于经典的K均值聚类(K-means)算法、K-Hough、基于遗传算法的FCM算法(GAFCM)和基于密度峰值的FCM算法(FDP-FCM)。实验结果表明,所提算法明显提高了FCM算法的鲁棒性和混合矩阵的估计精度。

基于一卡通大数据的家庭经济困难学生消费预警研究

本文重点研究分析家庭经济困难学生月一卡通消费数据,跟踪家庭经济困难学生消费数据变化,为家庭经济困难学生消费预警提供决策依据。本文基于家庭经济困难学生一卡通数据,采用Pearson相关分析进行变量相关性检验,并采用k-means算法对家庭经济困难学生的一卡通月消费数据进行聚类,分析学生的消费特点、划分消费区间。根据家庭经济困难学生的消费数据,通过一元离群点检测算法进行高消费和低消费检测,检测出异常消费情况,经过决策后并进行消费预警。